人体姿态估计
ClarissaYL
浙大CS在读
展开
-
人体姿态估计_BottomUp方法中的 keypoint grouping
几个方法里,我最喜欢的还是Assoc. Embed。简单直观。文章目录1. Part Affinity Field2. Associative Embedding3. MultiPoseNet4. PersonLab1. Part Affinity Field《Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields》CVPR 2017组合相邻关节点:学习一个2D向量场来连接两个关节点part affinity 是一原创 2020-09-29 20:51:46 · 1046 阅读 · 0 评论 -
CNN中的上采样方法
文章目录上采样双线性插值转置卷积Dense Upsampling Convolution (DUC)空洞卷积上采样双线性插值插值问题实际上是一种拟合问题。所谓插值就是用 x’ 某个领域内的函数值按照一定规则拟合出一个函数,再在其中查找 f(x’) 的值。双线性插值(bilinear upsampling)是其中一种非常简单的拟合方式。对 srcImage 中某个邻域内进行插值,从而得到 dstImage 中某个像素值。虽然插值计算速度快,但这种插值的“感受野”是local的,只能看见相邻原创 2020-09-26 13:15:26 · 2334 阅读 · 0 评论 -
人体姿态估计_HRNet系列
HRNet系列作者的产出是真的高,一个idea不停修改,接连在顶会上发表文章。所有工作都有开源代码,真好。ECCV 2018 《Simple Baselines for Human Pose Estimation and Tracking》CVPR 2019 《Deep High-Resolution Representation Learning for Human Pose Estimation》 新的backboneCVPR 2020 《HigherHRNet: Scale-Aware Repr原创 2020-09-25 20:32:28 · 2594 阅读 · 0 评论 -
人体姿态估计_CVPR2020_heatmap新思考
目前在人体姿态估计任务中,广泛采用heatmap作为训练目标,heatmap的编码和解码都遵从固定范式,却从未被深入探究。不同于大量对网络结构的创新,CVPR 2020 中出现了两篇文章对heatmap提出了新的理解,并引入了无偏的编码/解码方式。这也揭示了一个全新的研究方向。文章目录一、回顾heatmap的传统编解码方式二、DARK-Pose三、UDP-Pose1 量化分析2 UDP之encoding-decoding3 UDP之flip alignment一、回顾heatmap的传统编解码方式.原创 2020-09-25 17:53:36 · 3957 阅读 · 0 评论 -
3D人体姿态估计综述 - 《3D Human pose estimation: A review of the literature and analysis of covariates》
《3D Human pose estimation: A review of the literature and analysis of covariates》CVIU 2016 论文链接这篇文章主要介绍了基于RGB图片进行3D人体姿态估计的方法,包括了基于单张图片、视频序列、多视角图片的。之前写过一篇2D人体姿态估计综述笔记,2D姿态估计通过深度学习已经能达到较好的效果,但3D姿态估计更多的采用传统算法,涉及较多数学知识,笔者目前对本文具体算法的介绍部分只能略读。需要注意的是,这篇综述是16年的.原创 2020-09-17 19:53:40 · 2836 阅读 · 0 评论 -
姿态估计入门-2020综述《The Progress of Human Pose Estimation: A Survey and Taxonomy of Models Applied in 2D》
《The Progress of Human Pose Estimation: A Survey and Taxonomy of Models Applied in 2D Human Pose Estimation》2020 IEEE 论文链接人体姿态估计入门指南。文章目录1 预备知识1 预备知识人体姿态估计:基于图片来定位人体的关节点和刚性部件。根据一张图中待检测人的数量,可分为单人姿态检测和多人姿态检测。显然多人姿态检测任务更加困难。姿态估计有两种常用范式:Top-down:先.原创 2020-09-17 12:40:08 · 1312 阅读 · 1 评论